CN110738259B - 一种基于Deep DPCA-SVM的故障检测方法 - Google Patents
一种基于Deep DPCA-SVM的故障检测方法 Download PDFInfo
- Publication number
- CN110738259B CN110738259B CN201910982254.0A CN201910982254A CN110738259B CN 110738259 B CN110738259 B CN 110738259B CN 201910982254 A CN201910982254 A CN 201910982254A CN 110738259 B CN110738259 B CN 110738259B
- Authority
- CN
- China
- Prior art keywords
- matrix
- dpca
- model
- vector
- deep
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 121
- 239000013598 vector Substances 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000009776 industrial production Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 2
- 241000287196 Asthenes Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012706 support-vector machine Methods 0.000 description 22
- 238000000513 principal component analysis Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000001311 chemical methods and process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241001282571 Salmonella enterica subsp. enterica serovar Tennessee Species 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于Deep DPCA‑SVM的故障检测方法,首先在工业生产系统正常工况和M个不同类型故障工况下获取若干采样时刻的测量数据向量,然后生成每种工况对应的动态样本矩阵并进行标准化,采用正常工况标准化的动态样本矩阵对预选构建好的Deep DPCA模型进行训练,然后将每种工况标准化的动态样本矩阵输入训练好的Deep DPCA模型,计算每个工况对应的比例向量作为SVM模型的训练样本集,再对SVM模型进行训练,在工业生产系统运行过程中,采用相同方法获取当前采样时刻的比例向量,通过训练好的SVM模型实现故障检测。本发明构造多层DPCA模型形成Deep DPCA模型提取样本中的动态特征,结合SVM模型实现故障检测,可以有效提升故障检测效果。
Description
技术领域
本发明属于工业生产系统故障检测技术领域,更为具体地讲,涉及一种基于DeepDPCA-SVM的故障检测方法。
背景技术
现代工业生产已越来越规模化、复杂化,若生产过程出现故障,不仅影响产品质量,更容易对人的生命安全造成威胁。因此常常采用故障检测技术来监控工业生产状况。由于复杂的工业生产系统的生产过程难以采用精确的机理建模方法,因而使用数据驱动技术进行故障检测的方法得到了广泛关注。
数据驱动技术的思想是使用历史过程数据中的内在信息来判断当前生产过程的状况,从而实现故障的检测与诊断。数据驱动技术包括主成分分析(Principal ComponentAnalysis,PCA)方法、支持向量机(Support Vector Machines,SVM)方法等。PCA方法的思想是利用正交变换提取出样本中线性无关的特征分量,从而实现特征提取与数据降维。SVM方法是将样本特征投影到高维空间,并在高维空间求取分类超平面,从而实现样本分类。因而使用PCA进行特征提取,再使用SVM对特征进行分类的PCA-SVM故障检测方法得到了广泛的研究。
PCA方法通过样本特征的协方差矩阵获得了正交变换的变换矩阵,但该协方差矩阵的计算会受到样本中存在的离群值和噪声的影响,因而不能充分利用协方差矩阵的信息,导致特征提取效果降低,从而使基于SVM方法检测故障的效果难以提高。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于Deep DPCA-SVM的故障检测方法,通过结合Deep DPCA模型和SVM模型,提升故障检测效果。
为了实现以上发明目的,本发明基于Deep DPCA-SVM的故障检测方法包括以下步骤:
S1:在工业生产系统正常工况和M个不同类型故障工况下,由预先设置的若干测量设备对工业生产系统的工作信号进行测量,得到不同工况下若干采样时刻的K维测量数据向量,K表示每次测量所得到的测量数据数量;对于第m种工况,其中m=0表示正常工况,m=1,2,…,M表示故障工况,记其所得到的测量数据向量数量为Rm,将Rm个测量数据向量按照采样时刻进行升序排列,记其第r个测量数据向量为xm(im,r),im,r表示第m种工况下第r个测量数据向量对应的采样时刻,r=1,2,…,Rm;
S2:对于测量数据向量xm(im,r),如果在对应采样时刻im,r之前存在D个连续采样时刻的测量数据向量xm(im,r-d),d=1,2,…,D,则将测量数据向量xm(im,r)与D个测量数据向量xm(im,r-d),拼接为一个长度为K(D+1)的向量,d=1,2,…,D,将该向量作为一个动态样本ym(im,r),如果不存在D个连续采样时刻的测量数据向量xm(im,r-d),则不作任何操作;
记第m种工况下所得到的动态样本数量为Nm,将各个动态样本作为行向量,组合得到动态样本矩阵Ym:
其中,ym(n)表示动态样本矩阵Ym中第n个动态样本,n=1,2,…,Nm;
S4:构建Deep DPCA模型,包括H层DPCA结构,DPCA表示动态主元分析,第s层共有2s -1个DPCA模型,s=1,2,…,H;记第s层中第t个DPCA模型的输入为矩阵Xs,t,t=1,2,…,2s-1,DPCA模型采用下式对输入矩阵Xs,t进行分解:
其中,Ps,t和Es,t分别表示输入矩阵Xs,t的承载矩阵和残差矩阵,承载矩阵Ps,t通过输入矩阵Xs,t的协方差矩阵Ss,t进行特征值分解得到,如下式所示:
矩阵Λs,t是由协方差矩阵Ss,t的特征值按从大到小的顺序沿对角线排列得到的对角矩阵,矩阵Vs,t则由特征值对应的特征向量组成;从特征向量矩阵Vs,t选择前若干列特征向量,即可组成承载矩阵Ps,t;
S5:将正常工况下对应的标准化的动态样本矩阵作为Deep DPCA模型中第1层DPCA模型的输入矩阵X1,1,依次进行分解,得到Deep DPCA模型中各个DPCA模型的承载矩阵Ps,t,以及特征值对角矩阵Λs,t;
S6:将各个工况标准化后的动态样本矩阵分别作为Deep DPCA模型的输入,由Deep DPCA模型进行分解计算,在分解过程中各个DPCA模型的承载矩阵Ps,t以及特征值对角矩阵Λs,t均采用步骤S5得到的结果;对于动态样本矩阵将Deep DPCA模型分解过程中第H层中2H-1个DPCA模型各自的输入矩阵记为t=1,2,…,2H-1,然后计算每个输入矩阵的T2统计量和Q统计量,其计算公式分别如下:
分别将Nm个行向量的两个统计量进行组合,得到如下两个统计量向量:
其中,α表示预设的置信水平;
其中,G=2H-1;
S10:采用步骤S9得到的训练样本集对SVM模型进行训练,得到训练好的SVM模型;
S11:在工业生产系统运行过程中,将某个采样时刻i′的测量数据向量与前D个连续采样时刻的测量数据向量,拼接成长度为K(D+1)的向量,作为采样时刻i′的动态样本y(i′),将该动态样本y(i′)作为行向量,得到动态样本矩阵Y′,采用步骤S3中的相同标准化方法对动态样本矩阵Y′标准化,得到标准化后的动态样本矩阵将其输入训练好的DeepDPCA模型,并按照步骤S6中的方法计算得到统计量向量(T2)′H,t=[(T2)′H,t(1)]、Q′H,t=[Q′H,t(1)];然后按照步骤S8中的方法计算得到比例向量v′H(1):
将该比例向量v′H(1)输入训练好的SVM模型中,得到采样时刻i′时工业生产系统是否处于故障工况的检测结果。
本发明基于Deep DPCA-SVM的故障检测方法,首先在工业生产系统正常工况和M个不同类型故障工况下获取若干采样时刻的测量数据向量,然后生成每种工况对应的动态样本矩阵并进行标准化,采用正常工况标准化的动态样本矩阵对预选构建好的Deep DPCA模型进行训练,然后将每种工况标准化的动态样本矩阵输入训练好的Deep DPCA模型,计算每个工况对应的比例向量作为SVM模型的训练样本集,再对SVM模型进行训练,在工业生产系统运行过程中,采用相同方法获取当前采样时刻的比例向量,通过训练好的SVM模型实现故障检测。本发明构造多层DPCA模型形成Deep DPCA模型,采用Deep DPCA模型进行特征提取,不仅能够降低数据维度,还能够提取样本中的动态特征,结合SVM模型实现故障检测,可以有效提升故障检测效果。
附图说明
图1是本发明基于Deep DPCA-SVM的故障检测方法的具体实施方式流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于Deep DPCA-SVM的故障检测方法的具体实施方式流程图。如图1所示,本发明基于Deep DPCA-SVM的故障检测方法的具体步骤包括:
S101:收集训练数据:
在工业生产系统正常工况和M个不同类型故障工况下,由预先设置的若干测量设备对工业生产系统的工作信号进行测量,得到不同工况下若干采样时刻的K维测量数据向量,K表示每次测量所得到的测量数据数量。对于第m种工况,其中m=0表示正常工况,m=1,2,…,M表示故障工况,记其所得到的测量数据向量数量为Rm,将Rm个测量数据向量按照采样时刻进行升序排列,记其第r个测量数据向量为xm(im,r),im,r表示第m种工况下第r个测量数据向量对应的采样时刻,r=1,2,…,Rm。
S102:生成动态样本矩阵:
对于测量数据向量xm(im,r),如果在对应采样时刻im,r之前存在D个连续采样时刻的测量数据向量xm(im,r-d),d=1,2,…,D,则将测量数据向量xm(im,r)与D个测量数据向量xm(im,r-d),拼接为一个长度为K(D+1)的向量,d=1,2,…,D,将该向量作为一个动态样本ym(im,r),如果不存在D个连续采样时刻的测量数据向量xm(im,r-d),则不作任何操作。动态样本ym(im,r)中各个测量数据向量可以根据采样时刻降序排列,即采用如下公式表示:
ym(im,r)=[xm(im,r),xm(im,r-1),…,xm(im,r-D)]
记第m种工况下所得到的动态样本数量为Nm,将各个动态样本作为行向量,组合得到动态样本矩阵Ym:
其中,ym(n)表示动态样本矩阵Ym中第n个动态样本,n=1,2,…,Nm。
S103:动态样本标准化:
其中,ym(n)(k)表示动态样本ym(n)中的第k个测量数据,k=1,2,…,K(D+1),u0(k)表示正常工况所对应的N0个动态样本y0(n)中第k个元素y0(n)(k)的均值,σ0(k)表示N0个动态样本y0(n)中第k个元素y0(n)(k)的标准差。
S104:构建Deep DPCA模型:
为了更好地获取样本的特征,本发明中提出了一种Deep DPCA(深度动态主元分析)模型,DPCA表示动态主元分析(Dynamic Principal Component Analysis),包括H层DPCA结构,第s层共有2s-1个DPCA模型,s=1,2,…,H。记第s层中第t个DPCA模型的输入为矩阵Xs,t,t=1,2,…,2s-1,DPCA模型采用下式对输入矩阵Xs,t进行分解:
其中,上标T表示转置,Ps,t和Es,t分别表示输入矩阵Xs,t的承载矩阵和残差矩阵,其中承载矩阵Ps,t通过输入矩阵Xs,t的协方差矩阵Ss,t进行特征值分解得到,如下式所示:
其中,矩阵Λs,t是由协方差矩阵Ss,t的特征值按从大到小的顺序沿对角线排列得到的对角矩阵,矩阵Vs,t则由特征值对应的特征向量组成。从特征向量矩阵Vs,t选择前若干列特征向量,即可组成承载矩阵Ps,t。
本实施例中采用累积方差百分比策略确定选取的特征向量数量。
具体而言,第一层有1个DPCA模型,记为DPCA1,1,其输入矩阵为X1,1,分解公式表示如下:
其中,矩阵P1,1和E1,1分别表示输入矩阵X1,1的承载矩阵和残差矩阵。并把记为X2,1,把E1,1记为X2,2。第2层有2个DPCA模型,分别是DPCA2,1和DPCA2,2,其输入分别是X2,1和X2,2,以此类推。
S105:训练Deep DPCA模型:
接下来将采用正常工况对应的标准化的动态样本矩阵对Deep DPCA模型进行训练,即将正常工况下对应的标准化的动态样本矩阵作为Deep DPCA模型中第1层DPCA模型的输入矩阵X1,1,依次进行分解,得到Deep DPCA模型中各个DPCA模型的承载矩阵Ps,t,以及特征值对角矩阵Λs,t。
S106:求取各个工况的统计量向量:
将各个工况标准化后的动态样本矩阵分别作为Deep DPCA模型的输入,由DeepDPCA模型进行分解计算,在分解过程中各个DPCA模型的承载矩阵Ps,t以及特征值对角矩阵Λs,t均采用步骤S105得到的结果。根据各个DPCA模型分解过程可知,Deep DPCA模型中每个DPCA模型的输入矩阵的大小,与输入的动态样本矩阵中的输入矩阵大小相同,即都包含Nm个行向量。对于动态样本矩阵将Deep DPCA模型分解过程中第H层中2H-1个DPCA模型各自的输入矩阵记为t=1,2,…,2H-1。然后计算每个输入矩阵的T2统计量和Q统计量其计算公式分别如下:
分别将Nm个行向量的两个统计量进行组合,得到如下两个统计量向量:
S107:计算统计量控制限:
其中,α表示预设的置信水平。
本实施例中采用核密度估计方法得到概率密度函数。
S108:计算比例向量:
其中,G=2H-1。
该比例向量即为第n个样本经过Deep DPCA模型分解后得到的第H层的特征,显然,此特征维度受到该模型的层数影响,层数越大,特征维度越多。
S109:获取SVM模型训练样本集:
S110:SVM模型训练:
采用步骤S109得到的训练样本集对SVM模型进行训练,得到训练好的SVM模型。SVM模型是一种常用的分类模型,其具体原理和训练过程在此不再赘述。
S111:故障检测:
在工业生产系统运行过程中,将某个采样时刻i′的测量数据向量与前D个连续采样时刻的测量数据向量,拼接成长度为K(D+1)的向量,作为采样时刻i′的动态样本y(i′),将该动态样本y(i′)作为向量,得到动态样本矩阵Y′,对动态样本矩阵Y′标准化,得到标准化后的动态样本矩阵将其输入训练好的DeepDPCA模型,并按照步骤S106中的方法计算得到统计量向量(T2)′H,t=[(T2)′H,t(1)]、Q′H,t=[Q′H,t(1)]。因为动态样本矩阵中只有一个行向量,所以得到的统计量向量只包含1个元素。然后按照步骤S108中的方法计算得到比例向量:
将该比例向量v′H(1)输入训练好的SVM模型中,得到采样时刻i′时工业生产系统是否处于故障工况的检测结果。
根据以上步骤可知,本发明所构建的Deep DPCA-SVM模型存在许多设定的参数,例如时延参数D、Deep DPCA模型的层数H、置信水平α以及SVM模型的参数等,为了提升模型的稳定性,增加模型的泛化能力,可以采用交叉验证方法对模型参数进行优化。交叉验证是一种常用的方法,其具体过程在此不再赘述。
为了更好地说明本发明的技术效果,采用一个具体实例对本发明进行实验验证。本实施例中采用美国田纳西-伊士曼(Tennessee Eastman,TE)化工过程模型,其取自一个真实的化工过程。TE化工过程包含五个主要单元:反应器、冷凝器、压缩机、分离器和汽提塔,因其内部机理较为复杂,所以被广泛的应用于各种故障检测与诊断方法研究。整个TE化工过程主要包含22个连续过程测量变量、19个成分测量变量和12个操作变量,其可以模拟正常工况和21种故障工况。
为了使实验具有可操作性、实验结果具有可比性,采用由美国麻省理工学院(Massachusetts Institute of Technology,MIT)对该模型进行仿真并公开的数据集作为本实施例所使用的数据集。此数据集分为训练集和测试集两部分,两个部分均包含每种工况的样本集,每个样本特征为52维。在训练集中,正常工况的样本集有500个样本,每种故障工况的样本集均有480个样本。在测试集中,每种工况的样本集均有960个样本,但因为故障是在160个正常工况之后引入的,所以故障工况的样本集中前160个样本属于正常工况样本。选用数据集中的训练集部分作为本实施例的训练集,用以对本发明的Deep DPCA-SVM模型进行训练。选用数据集中的测试集部分作为本实施例的测试集,用以测试Deep DPCA-SVM模型的效果。
本实施例中采用基于PCA-SVM模型的故障检测方法作为对比方法,其训练集和测试集与本发明相同。表1是本实施例中Deep DPCA-SVM模型和PCA-SVM模型的故障检测结果召回率统计表。
故障工况 | PCA-SVM | Deep DPCA-SVM |
1 | 99.38% | 99.88% |
2 | 98.25% | 98.25% |
4 | 92.38% | 100% |
5 | 34.13% | 99.88% |
6 | 99.5% | 100% |
7 | 100% | 100% |
8 | 98.13% | 97.88% |
10 | 60.75% | 89.75% |
11 | 64.5% | 75.00% |
12 | 99.38% | 99.75% |
13 | 95.5% | 95.75% |
14 | 100% | 100% |
16 | 51.13% | 88.88% |
17 | 85.88% | 97.63% |
18 | 90% | 90.38% |
19 | 16.5% | 97.75% |
20 | 57.3% | 85.50% |
21 | 40.5% | 45.38% |
平均 | 76.84% | 92.31% |
表1
由于故障召回率值越高表示检测效果越好,因此可以从表1看出,本发明方法在工业生产系统的故障检测上具有优异的检测效果。
表2是本实施例中Deep DPCA-SVM模型和PCA-SVM模型对于正常工况样本的故障检测结果召回率统计表。
方法 | PCA-SVM | Deep DPCA-SVM |
召回率 | 93.85% | 99.84% |
表2
正常工况样本的召回率值越高,表明越不容易对正常工况造成误报。从表2可以看出,本发明方法对工业生产系统的正常工况具有很好的识别效果。因此,从正常情况的召回率和故障情况的召回率两方面看,本发明方法均取得优异的效果。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于Deep DPCA-SVM的故障检测方法,其特征在于,包括以下步骤:
S1:在工业生产系统正常工况和M个不同类型故障工况下,由预先设置的若干测量设备对工业生产系统的工作信号进行测量,得到不同工况下若干采样时刻的K维测量数据向量,K表示每次测量所得到的测量数据数量;对于第m种工况,其中m=0表示正常工况,m=1,2,…,M表示故障工况,记其所得到的测量数据向量数量为Rm,将Rm个测量数据向量按照采样时刻进行升序排列,记其第r个测量数据向量为xm(im,r),im,r表示第m种工况下第r个测量数据向量对应的采样时刻,r=1,2,…,Rm;
S2:对于测量数据向量xm(im,r),如果在对应采样时刻im,r之前存在D个连续采样时刻的测量数据向量xm(im,r-d),d=1,2,…,D,则将测量数据向量xm(im,r)与D个测量数据向量xm(im,r-d),拼接为一个长度为K(D+1)的向量,d=1,2,…,D,将该向量作为一个动态样本ym(im,r),如果不存在D个连续采样时刻的测量数据向量xm(im,r-d),则不作任何操作;
记第m种工况下所得到的动态样本数量为Nm,将各个动态样本作为行向量,组合得到动态样本矩阵Ym:
其中,ym(n)表示动态样本矩阵Ym中第n个动态样本,n=1,2,…,Nm;
S4:构建Deep DPCA模型,包括H层DPCA结构,第s层共有2s-1个DPCA模型,s=1,2,…,H;记第s层中第t个DPCA模型的输入为矩阵Xs,t,t=1,2,…,2s-1,DPCA模型采用下式对输入矩阵Xs,t进行分解:
其中,Ps,t和Es,t分别表示输入矩阵Xs,t的承载矩阵和残差矩阵,承载矩阵Ps,t通过输入矩阵Xs,t的协方差矩阵Ss,t进行特征值分解得到,如下式所示:
矩阵Λs,t是由协方差矩阵Ss,t的特征值按从大到小的顺序沿对角线排列得到的对角矩阵,矩阵Vs,t则由特征值对应的特征向量组成;从特征向量矩阵Vs,t选择前若干列特征向量,即可组成承载矩阵Ps,t;
S5:将正常工况下对应的标准化的动态样本矩阵作为Deep DPCA模型中第1层DPCA模型的输入矩阵X1,1,依次进行分解,得到Deep DPCA模型中各个DPCA模型的承载矩阵Ps,t,以及特征值对角矩阵Λs,t;
S6:将各个工况标准化后的动态样本矩阵分别作为Deep DPCA模型的输入,由DeepDPCA模型进行分解计算,在分解过程中各个DPCA模型的承载矩阵Ps,t以及特征值对角矩阵Λs,t均采用步骤S5得到的结果;对于动态样本矩阵将Deep DPCA模型分解过程中第H层中2H-1个DPCA模型各自的输入矩阵记为然后计算每个输入矩阵的T2统计量和Q统计量,其计算公式分别如下:
分别将Nm个行向量的两个统计量进行组合,得到如下两个统计量向量:
其中,α表示预设的置信水平;
其中,G=2H-1;
S10:采用步骤S9得到的训练样本集对SVM模型进行训练,得到训练好的SVM模型;
S11:在工业生产系统运行过程中,将某个采样时刻i′的测量数据向量与前D个连续采样时刻的测量数据向量,拼接成长度为K(D+1)的向量,作为采样时刻i′的动态样本y(i′),将该动态样本y(i′)作为行向量,得到动态样本矩阵Y′,采用步骤S3中的相同标准化方法对动态样本矩阵Y′标准化,得到标准化后的动态样本矩阵将其输入训练好的Deep DPCA模型,并按照步骤S6中的方法计算得到统计量向量(T2)′H,t=[(T2)′H,t(1)]、Q′H,t=[Q′H,t(1)];然后按照步骤S8中的方法计算得到比例向量:
将该比例向量vH(1)输入训练好的SVM模型中,得到采样时刻i′时工业生产系统是否处于故障工况的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982254.0A CN110738259B (zh) | 2019-10-16 | 2019-10-16 | 一种基于Deep DPCA-SVM的故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982254.0A CN110738259B (zh) | 2019-10-16 | 2019-10-16 | 一种基于Deep DPCA-SVM的故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738259A CN110738259A (zh) | 2020-01-31 |
CN110738259B true CN110738259B (zh) | 2022-03-25 |
Family
ID=69269063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910982254.0A Expired - Fee Related CN110738259B (zh) | 2019-10-16 | 2019-10-16 | 一种基于Deep DPCA-SVM的故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738259B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898313B (zh) * | 2020-06-30 | 2022-05-20 | 电子科技大学 | 一种基于ica与svm集成学习的故障检测方法 |
CN111913475A (zh) * | 2020-08-07 | 2020-11-10 | 清华大学 | 动态系统中故障检测方法、检测器以及存储介质 |
CN114298200B (zh) * | 2021-12-23 | 2024-06-11 | 电子科技大学(深圳)高等研究院 | 基于深度并行时序关系网络的异常数据诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446529A (zh) * | 2018-06-22 | 2018-08-24 | 太原理工大学 | 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法 |
CN108567418A (zh) * | 2018-05-17 | 2018-09-25 | 陕西师范大学 | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 |
CN108762228A (zh) * | 2018-05-25 | 2018-11-06 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
CN108897286A (zh) * | 2018-06-11 | 2018-11-27 | 宁波大学 | 一种基于分散式非线性动态关系模型的故障检测方法 |
CN108960329A (zh) * | 2018-07-06 | 2018-12-07 | 浙江科技学院 | 一种包含缺失数据的化工过程故障检测方法 |
CN108994088A (zh) * | 2018-06-12 | 2018-12-14 | 武汉科技大学 | 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
CN109460005A (zh) * | 2018-11-01 | 2019-03-12 | 上海理工大学 | 基于gru深度神经网络的动态工业过程故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7421351B2 (en) * | 2006-12-21 | 2008-09-02 | Honeywell International Inc. | Monitoring and fault detection in dynamic systems |
-
2019
- 2019-10-16 CN CN201910982254.0A patent/CN110738259B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108567418A (zh) * | 2018-05-17 | 2018-09-25 | 陕西师范大学 | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 |
CN108762228A (zh) * | 2018-05-25 | 2018-11-06 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
CN108897286A (zh) * | 2018-06-11 | 2018-11-27 | 宁波大学 | 一种基于分散式非线性动态关系模型的故障检测方法 |
CN108994088A (zh) * | 2018-06-12 | 2018-12-14 | 武汉科技大学 | 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 |
CN108446529A (zh) * | 2018-06-22 | 2018-08-24 | 太原理工大学 | 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法 |
CN108960329A (zh) * | 2018-07-06 | 2018-12-07 | 浙江科技学院 | 一种包含缺失数据的化工过程故障检测方法 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
CN109460005A (zh) * | 2018-11-01 | 2019-03-12 | 上海理工大学 | 基于gru深度神经网络的动态工业过程故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
A Novel Deep DPCA-SVM Method for Fault Detection in Industrial Processes;Jian Zhang 等;《2019 IEEE 58th Conference on Decision and Control (CDC)》;20200312;2916-2921 * |
Deep PCA Based Real-Time Incipient Fault Detection and Diagnosis Methodology for Electrical Drive in High-Speed Trains;Hongtai Chen 等;《IEEE Transactions on Vehicular Technology》;20180322;第67卷(第6期);4819-4830 * |
Fault Detection of Rolling Bearing Based on EMD-DPCA;Liying Jiang 等;《The 26th Chinese Control and Decision Conference》;20140714;3207-3211 * |
在线智能故障诊断系统的研究;王兰;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20150315(第03期);I140-774 * |
基于ICA的鲁棒故障检测方法研究;张建;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20200715(第07期);B016-63 * |
Also Published As
Publication number | Publication date |
---|---|
CN110738259A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738259B (zh) | 一种基于Deep DPCA-SVM的故障检测方法 | |
Jang et al. | Adversarial autoencoder based feature learning for fault detection in industrial processes | |
CN110071913B (zh) | 一种基于无监督学习的时间序列异常检测方法 | |
Paynabar et al. | Monitoring and diagnosis of multichannel nonlinear profile variations using uncorrelated multilinear principal component analysis | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
Zhang et al. | Fault detection and diagnosis of chemical process using enhanced KECA | |
CN109902564B (zh) | 一种基于结构相似性稀疏自编码网络的异常事件检测方法 | |
CN109916628A (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
CN104596780B (zh) | 一种动车组制动系统传感器故障的诊断方法 | |
CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
CN104062968A (zh) | 一种连续化工过程故障检测方法 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
CN106326915A (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
CN109144039A (zh) | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 | |
CN117494037A (zh) | 一种基于变权vae与双通道特征融合的变压器故障诊断方法 | |
Vieira et al. | Characterization of welding defects by fractal analysis of ultrasonic signals | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN112947649B (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
CN111474920B (zh) | 一种基于ica与acva的故障检测方法 | |
CN110673577A (zh) | 一种复杂化工生产过程的分布式监控与故障诊断方法 | |
CN103995985B (zh) | 基于Daubechies小波变换和弹性网的故障检测方法 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
CN113515678A (zh) | 一种异常数据筛选方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220325 |
|
CF01 | Termination of patent right due to non-payment of annual fee |